Jurnal Teknik dan Ilmu Komputer
APLIKASI METODE SUPPORT VECTOR MACHINE UNTUK PREDIKSI KUALITAS GLISEROL MONOOLEAT (Application of Support Vector Machine Method for Predicition of Gliserol Monooleat Quality) Iwan Aang Soenandi Fakultas Teknologi dan Ilmu Komputer Jurusan Teknik Industri Universitas Kristen Krida Wacana
[email protected] Abstrak Faktor kualitas merupakan faktor yang penting untuk diperhatikan pada proses produksi Gliserol MonoOleat sehingga kepercayaan konsumen terhadap produsen tetap terjaga. Untuk menjaga kualitas tersebut dapat menggunakan metode Data Mining dari parameter hasil produksi, yang diolah dengan metode SVM, untuk mengklasifikasikan nilai Kualitas tersebut, yang diuji dengan analisis ROC. Dari hasil pengolahan data pada penelitian ini dengan menggunakan visualisasi grafik dari ROC, dapat dibuktikan bahwa untuk mengklasifikasi kualitas tersebut dapat menggunakan metode SVM. Berdasarkan pengujian menggunakan perbandingan dengan perangkat lunak, dengan nilai untuk SVM Kualitas Pass adalah 0.522 dan untuk Not Pass adalah 0.524 dengan nilai TP rate (Sensitivity) Pass adalah 0.95 dan TP Rate (Sensitivity) Not Pass adalah 0,92. Kata kunci: kualitas, data mining, support vector machine, analisis ROC Abstract Quality is an important factor to consider in the glycerol monooleate production process so that the consumers’ trust is retained. To maintain the quality of Glycerol MonoOleat, data mining method can be used based on the parameters of production output processed with SVM method. This method serves to classify the quality value being tested by using ROC analysis. The data processing result of this study, in which ROC graphical visualization was used, suggested that SVM method could be applied to classify quality. Based on the test done using comparative software, the value of SVM Quality Pass is 0.522 and 0.524 for Not Pass. TP Rate (Sensitivity) Pass is 0.95 and TP Rate (Sensitivity) Not Pass is 0.92. Keywords: Quality, Data Mining, Support Vector Machine, ROC Analysis
Tanggal Terima Naskah Tanggal Persetujuan Naskah
1.
: 05 Juni 2014 : 01 Juli 2014
PENDAHULUAN
Untuk dapat bersaing dan berkembang secara berkelanjutan dalam setiap industri, faktor kualitas sangat menentukan. Faktor kualitas merupakan faktor pengukuran kinerja dari hasil produksi selain kapasitas produksi. Oleh karena itu, pada sistem produksi dari Gliserol Ester akan dianalisis kualitas dari produk Gliserol MonoOleat yang akan diolah menggunakan metode Support Vector Machine (SVM). Pattern recognition merupakan salah satu bidang dalam computer science, yang memetakan suatu data ke dalam konsep
236
Vol. 03 No. 11, Jul – Sep 2014
tertentu, yang telah didefinisikan sebelumnya. Konsep tertentu ini disebut sebagai class atau category. Aplikasi pattern recognition sangat luas, di antaranya mengenali suara dalam sistem keamanan, membaca huruf dalam OCR, mengklasifikasikan penyakit secara otomatis berdasarkan hasil diagnosis kondisi medis pasien, dan sebagainya. Berbagai metode dikenal dalam pattern recognition, seperti linear discrimination analysis, hidden markov model hingga metode kecerdasan buatan, seperti artificial neural network. Salah satu metode yang saat ini banyak mendapat perhatian sebagai state of the art dalam pattern recognition adalah Support Vector Machine (SVM). Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. Konsep dasar SVM sebenarnya merupakan kombinasi harmonis dari teori-teori komputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane, dan demikian juga dengan konsep-konsep pendukung yang lain dalam tulisan dari Vijayakumar [1]. Akan tetapi, hingga tahun 1992 belum pernah ada upaya merangkaikan komponen-komponen tersebut. Berbeda dengan strategi neural network yang berusaha mencari hyperplane pemisah
antar-class, SVM berusaha menemukan hyperplane yang terbaik pada input space. Prinsip dasar SVM adalah linear classifier, selanjutnya dikembangkan agar dapat bekerja pada problem non-linear dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi[2]. Perkembangan ini memberikan rangsangan minat penelitian di bidang pattern recognition untuk melakukan investigasi potensi kemampuan SVM secara teoritis maupun dari segi aplikasi[3]. Dewasa ini SVM telah berhasil diaplikasikan dalam persoalan dunia nyata (real-world problems), dan secara umum memberikan solusi yang lebih baik dibandingkan metode konvensional, seperti artificial neural network [4]. Tulisan ini memperkenalkan konsep dasar SVM serta membahas aplikasinya pada bidang produksi Gliserol MonoOleat untuk menentukan kualitas produk. Untuk menganalisis sensitivitas dari SVM akan digunakan analisis ROC (Receiver Operating Characteristic).
2.
PERMASALAHAN
Di industri Gliserol Monooleat faktor kualitas merupakan faktor yang penting untuk diperhatikan agar hasil produksi dapat terpakai serta untuk mengurangi keluhan pelanggan. Untuk menjaga faktor kualitas tersebut akan diolah data dari lima atribut, yaitu Suhu Esterifikasi, Berat Molekul, Viskositas, Densitas, dan Waktu Esterifikasi. Dari kelima atribut tersebut dengan data percobaan yang dilakukan pada proses produksi akan dikelompokkan berdasarkan standar kualitas yang baik (pass) dan yang tidak baik (not pass). Dalam hal ini analisis untuk dapat memprediksi kualitas sangat diperlukan agar gejala perubahan atau penurunan kualitas dapat diketahui secepat mungkin sehingga memperkecil faktor produksi yang gagal atau harus diproduksi kembali.
3.
PROSES ESTERIFIKASI GLISEROL
Gliserol adalah produk samping produksi biodisel dari reaksi transesterifikasi yang merupakan senyawa alkohol dengan gugus hidroksil berjumlah tiga buah. Gliserol (1,2,3 propanetriol) merupakan cairan yang tidak berwarna, tidak berbau, dan merupakan cairan kental yang memiliki rasa manis. Gliserol dapat dimurnikan dengan proses destilasi agar dapat digunakan pada industri makanan, farmasi, atau dapat juga digunakan untuk pengolahan air. Sebagai produk samping industri biodiesel, gliserol belum banyak diolah sehingga nilai jualnya masih rendah. Dalam bidang makanan, ester dari gliserin, terutama ester parsial (mono-dan di-gliserida) telah menjadi komponen yang sangat khusus. Produk emulsi memberikan kontribusi pengendalian atas kelembutan dari
237
Aplikasi Metode Support Vector…
kecantikan, juga untuk margarin. Proses esterifikasi gliserol adalah salah satu metode yang banyak digunakan memproduksi produk turunan gliserol. Dalam reaksi esterifikasi dihasilkan bermacam-macam ester yang mempunyai banyak kegunaan dan bernilai lebih tinggi. Produk dari konversi gliserol ini bersifat ramah lingkungan dan terbarukan karena bukan merupakan turunan dari minyak bumi.
4.
GLISEROL MONOOLEAT
Gliserol monooleat (monoolein) adalah sintetis kimia aktif permukaan yang secara luas digunakan sebagai surfaktan non-ionik dan pengemulsi. Hal ini dihasilkan oleh reaksi gliserol dan asam oleat dengan katalis untuk membentuk ester monogliserida [5]. Gliserol monooleat tidak berbahaya bagi lingkungan. Semua bahan pembuatnya dihasilkan oleh alam. Asam oleat diekstrak dari produk alami, sedangkan gliserol dapat dibuat dari lemak alami atau petrokimia [6]. Gliserol monooleat secara fisik berwujud cair berwarna jernih kekuning-kuningan atau kuning pucat. Gliserol monooleat (C21H40O4) memiliki berat molekul 356,54 gr/mol, tidak larut dalam air, sedikit larut dalam alkohol dingin, dan larut dalam alkohol panas, kloroform, eter, petroleum eter, serta larut dalam minyak serta bersifat sebagai pengemulsi pada makanan [7]. Gliserol monooleat larut baik dalam minyak [8]. Rumus struktur gliserol monooleat dapat dilihat pada gambar 1.
Gambar 1. Rumus struktur gliserol monooleat
Identik dengan surfaktan-surfaktan lain, sifat gliserol monooleat ini ditentukan oleh sifat reaktan pembentuknya. Gliserol monooleat dapat membentuk suatu mikro-emulsi di dalam air. Gliserol larut baik dalam air [5], sedangkan asam oleat tidak larut dalam air. Hydrophilic-Lipophilic Balance (HLB) dari gliserol monoolaet adalah 3,8 [9].
5.
METODE PERCOBAAN
Pada tulisan ini percobaan yang dilakukan adalah reaksi esterifikasi diawali dengan mereaksikan antara asam oleat dan gliserol dengan menggunakan katalis asam sulfat pada labu leher tiga yang dilengkapi dengan kondensor dan pengaduk magnet pada rentang suhu 220 o C hingga 250 o C. Proses dilanjutkan dengan reaksi polimerisasi sampai suhu 260o C. Rasio asam oleat dan gliserol merupakan variabel tetap 1:3 dengan berat katalis asam sulfat 0,1% dan variasi suhu 220 o C , 240 o C , dan 250 o C untuk reaksi esterifikasi. Selanjutnya dilakukan reaksi polimerisasi dengan menggunakan katalis benzoil peroksida sebesar 0,1 % berat sampai suhu mencapai 260 o C dalam waktu dua jam. Karakteristik hasil reaksi diketahui dengan menganalisis densitas, viskositas berat molekul, dan waktu esterifikasi dari larutan pada setiap rentang waktu reaksi untuk menentukan kualitas dari Gliserol Monooleat yang dihasilkan. Dari kelima atribut dengan data percobaan yang dilakukan pada proses produksi akan dikelompokkan berdasarkan standar kualitas yang baik (pass) dan yang tidak baik (not pass).
238
Vol. 03 No. 11, Jul – Sep 2014
6.
HASIL DAN PEMBAHASAN
6.1
Data Mining Dengan Python Orange
Salah satu software yang dapat digunakan untuk data mining adalah Software Orange dengan Skema seperti pada Gambar 3. Tahapan proses pengolahan data adalah sebagai berikut: 1. Penentuan file data yang akan digunakan untuk pengolahan seperti pada Gambar 2 2. Data kemudian diolah dengan pemilihan atribut data 3. Pengolahan dengan Metode SVM 4. Dibandingkan hasil antara Prediksi dengan tes 5. Hasil tes dianalisis dengan Analisis ROC 6. Hasil prediksi di-plot dengan scatter
Gambar 2. Data file input
Gambar 3. Skema Software Orange Metode SVM dan Analisis ROC Tabel 1. Perbandingan Hasil Parameter Untuk C-SVM Kernel Sigmoid with Cross Validation folds=5 C 4 3 2 1 0.8 0.5
Classification Accuracy 0,9800 0,9800 0,9840 0,9840 0.9800 0.9800 0.9760 0.9760 0.9640 0.9640 0.9560 0.9560 0.9760
Sensitivity
Specivicity
0,9647 0,9879 0,9765 0,9879 0.9647 0.9879 0.9765 0.9758 0.9765 0.9576 0.9882 0.9294 0.9765
0,9879 0,9647 0,9879 0,9765 0.9879 0.9647 0.9758 0.9765 0.9576 0.9765 0.9394 0.9882 0.9758
Area Under Curve 0,9982 0,9982 0,9979 0,9979 0.9968 0.9968 0.9961 0.9961 0.9950 0.9950 0.9964 0.9964 0.9961
Quality NOT PASS PASS NOT PASS PASS NOT PASS PASS NOT PASS PASS NOT PASS PASS NOT PASS PASS NOT PASS
239
Aplikasi Metode Support Vector…
Gambar 4. Paramater metode SVM
Parameter yang digunakan pada metode SVM adalah C-SVM dengan C=2,00, Kernel method Sigmoid dengan nilai g:0 dan c:0 Tabel 1.Prediksi SVM
240
Vol. 03 No. 11, Jul – Sep 2014
Pengujian prediksi dengan metode SVM dengan menunjukkan hasil kualitas Baik (pass) dan Tidak Baik (not pass) ditunjukkan pada Tabel 1 yang sangat sesuai dengan data testing.
6.2 .
Analisis ROC
Untuk pengujian pada penelitian ini menggunakan metode ROC (Receiver Operating Characteristics), yaitu sebuah metode untuk menguji kemampuan sistem prediksi kontingensi. ROC menampilkan skill sistem prediksi dengan membandingkan hit rate dan false alarm rate. Definisi false alarm rate harus dibedakan dengan false alarm ratio, tetapi dalam beberapa literatur keduanya mengacu pada false alarm rate. Derivasi dari ROC didasarkan pada tabel kontingensi memberikan hit rate dan false alarm rate untuk deterministik atau prediksi probabilistik. Suatu kejadian didefinisikan sebagai biner, yang berarti bahwa hanya ada dua hasil yang mungkin, suatu kejadian atau nonkejadian. Dari hasil visualisasi Grafik ROC untuk aplikasi metode SVM untuk penentuan kualitas Gliserol Monooleat, nilai untuk SVM dengan parameter C terbaik yaitu=3 untuk Akurasi Klasifikasi sebesar 0,9840.
Gambar 5. Analisis ROC Kualitas Baik (Pass) dan Tidak Baik (Not Pass)
7.
KESIMPULAN
Dari hasil analisis data testing dan prediksi dari penentuan kualitas Gliserol monooleat dengan menggunakan metode SVM serta pengujian dengan analisis ROC, dapat diambil kesimpulan bahwa Metode SVM dapat mengklasifikasikan dengan baik kualitas yang dihasilkan oleh proses produksi dengan nilai untuk SVM dengan parameter terbaik C=3 untuk Akurasi Klasifikasi sebesar 0,9840. Metode ini dapat digunakan untuk penentuan parameter kualitas dalam produksi yang sedang berjalan bila menggunakan pendeteksian parameter pengujian dengan sensor dan perangkat pengolahan data akuisisi.
REFERENSI [1]. Vijayakumar S, Wu S, 1999 “Sequential Support Vector Classifiers and Regression”,
Proc.International Conference on Soft Computing (SOCO'99),Genoa, Italy, pp.610619.
241
Aplikasi Metode Support Vector…
[2]. Byun H., Lee S.W., 2003 “A Survey on Pattern recognition Applications of Support Vector Machines”, International Journal of Pattern recognition and Artificial Intelligence,Vol.17, No.3 , pp.459-486 [3]. Ben-Hur, A., and Weston, 2010.J., A User's guide to support vector machines, Data mining techniques for the life sciences.Meth.Mol. Biol.609(2):223–239. [4]. Hamel, Lutz H. 2009. Knowledge Discovery with Support Vector Machines. John Wiley & Sons,Inc. New Jersey. [5]. Burdock,G.A.,1997. Encyclopedia of food and Color additives, Boca Raton, FL;CRC. [6]. Anonim. 2001.Liquid Density,Glycerine.http://www.ici.go.id [7]. Pardi, 2005.Optimasi Proses Produksi Gliserol MonoOleat dari Gliserol Hasil Samping Pembuatan Biodiesel.Thesis. Teknik Kimia Sekolah Pasca Sarjana Universitas Sumatera Utara Medan. [8]. Chen,J. and E.Dickinson, 1999. Effect of Monoglycerides and Diglycerol Ester on the Viscoelasticity of Heat-set Whey Protein Emulsion Gels. International Journal of Food Science and Technology 34:493-501. [9]. Griffin,W.C., 1979,Emulsions.Standen(ed) Kirk Othmer Encyclopedia of Technology (3rded) 8:117-154.
242
